Docs

Paper 信息

3 篇工作都是 nvidia 的。一作都是 Tero Karras，通讯作者都是 Timo Aila。​

时间

模型名称

paper

被引用次数

作者

2018/12

StyleGAN1

A Style-Based Generator Architecture for Generative Adversarial Networks

6678

Tero Karras

Timo Aila

2019/12

StyleGAN2

Analyzing and Improving the Image Quality of StyleGAN

3436

Tero Karras

Timo Aila

2021/06

StyleGAN3

Alias-Free Generative Adversarial Networks

629

Tero Karras

Timo Aila

NeurIPS 2021

Summary

StyleGAN 模型总结

GAN 时代，落地的转折点。

Diffusion Model 系列也重度吸取了这类经验（2021 Diffusion Beat GANs 文章）。​

模型

点评

重点内容

StyleGAN1

非常重要。GAN 落地的 inflection point（转折点）

图片质量非常好，而且能精准控制生成的细节（style mixing）。​

1.
Progressive Growing​

2.
controllable generator（style mixing）​

StyleGAN2

影响较大的 SOTA 工作。但主要是 StyleGAN1 的微小改进，创新性有限。​

1.
主要是 StyleGAN1 的微小改进。​

2.
试验结果（FID）很不错。​

3.
有点像 resnet 系列，用 ResNet V2，文献写 ResNet V1。​

StyleGAN3

为视频和动画的生成铺平了道路，解决 Aliasing (信号失真) 问题。​

1.
针对 translation 和 rotation 的不变性。即，人脸转头或平移时，生成的人脸相貌不变。​

2.

50%

预置条件：

1.
了解 GAN​

2018-StyleGAN v1 / v2 / v3​